生成AIニュース 2026年6月28日

AIが「答える」から「終わらせる」に変わる日──本当の同僚になるための5つの進化段階

AIが「答えを返す機械」から「仕事を終わらせる存在」に変わるとはどういうことか。TencentのYoutu Labと複数の中国系大学が共同で発表したサーベイ論文が、この問いを真正面から論じている。

AIが「答える」から「終わらせる」へ──何の話か

チャットボットは便利だった。でも、仕事を終わらせてはくれなかった。

これは批判ではなく、設計の話だ。従来の大規模言語モデルは、パラメータに詰め込んだ言語パターンと事実をもとに、トークンを一つずつ出力する。一発のパス、一問一答。「最も確からしい続き」を書くのが役割だった。

研究者たちが問い直しているのは、このアーキテクチャの前提そのものだ。中心的な問いは「どうすればモデルはより良い答えを出せるか」から「どうすれば意図を確実に完了した仕事へ変換できるか」に移った、と論文は述べる。反応的なQ&Aから、委任されたタスク実行へ。

言葉は似ているが、要求されることはかなり違う。

なぜ今この議論が重要なのか

2026年の文脈でいえば、「AIエージェント」という言葉は既に摩耗しつつある。APIを呼べる、コードを書ける、ウェブをブラウズできる。そういった機能の羅列はもう珍しくない。

問題は、それで仕事が「終わるか」だ。

研究者たちが第一世代エージェントの限界として挙げる構造的ボトルネックは4つある。環境を断片的にしか認識できない、ツール呼び出しが状態を残さない、想定外の挙動に脆い、そしてタスクを完了することがほとんどない。

これは言い換えると、「頭は良いが後片付けができない新人」に仕事を丸投げしているような状態だ。優秀そうに見えるが、成果物として手元に残るものがない。

事実・背景の整理：5段階の進化とワークスペースの意味

論文はLLMの進化を5段階に整理している。基本的なチャットボットから始まり、思考型LLM、エージェント、そしてワークスペース統合を経て、自律的なデジタル同僚へ至る道筋だ。

「思考型LLM」の段階は、OpenAIのo1やDeepSeek-R1によって切り開かれた。推論時に余分な計算を投入し、長い思考チェーンを生成して中間ステップを検証し、強化学習で自己修正を学ぶ。心理学者ダニエル・カーネマンの枠組みを借りれば、速くて直感的な「システム1」から、遅くて熟慮的な「システム2」へのシフトだ。

さらにその先が「OpenClaw時代」と呼ばれる段階で、ここで環境そのものが永続化する。ファイル、セッション、ログ、ブラウザ、パーミッション、スキル──これらすべてがワークフロー全体を通じて残り続ける。論文が参照するOpenHandsやSWE-agentは、エージェントを制御された開発環境に埋め込む実装例だ。

ここで論文の核心的な主張が出てくる。「ワークスペース＋スキル」の組み合わせが、本当のパフォーマンス向上を可能にする、というものだ。

ワークスペースは状態・保存・結果を提供する。スキルは操作的な知識を再利用可能なパッケージにまとめる。Anthropicの「Agent Skills」はこのパターンをすでに実装しており、SKILL.mdファイルに手順・スクリプト・リソースを収めたフォルダとして形式化している。

論文の著者たちはスキルを「プロンプトでもなく、従来のツールでもない」と定義する。モデルの推論とワークスペースの実行の間に位置し、組織のノウハウをモジュール化・テスト可能・ポータブルな形で蓄積できる。

AIおじさんの見方：この話の本当のポイントはどこか

ここからは見方の話をする。

この研究が面白いのは、「AIが賢くなること」ではなく「AIを評価する軸が変わること」を訴えている点だ。

チャットボット時代は、指示と応答のペアで学習し、回答精度で評価されていた。ワークスペース型システムは、状態・行動・観測のトラジェクトリから学習し、タスクがクローズしたかどうかで評価される。「それっぽい返答か」から「対象環境が検証可能な終了状態に達したか」へ。これは小さな変更に見えて、実務の判断基準をまるごと変える話だ。

GPT-4が最初にWebArenaのタスクを完了できた割合は14%だった、という数字がそれを示している。静的なQ&Aシナリオと現実的なウェブ環境のギャップがいかに大きいか。SWE-bench、OSWorld、WebArenaといったベンチマークが再現可能な開始状態・実行可能なツール・トラジェクトリのログ・終了状態の確認を要求するのは、そのギャップを測るためだ。

ただ、一点留保が要る。

Vercelが行った評価では、コーディングエージェントが提供されたスキルシステムを呼び出したのは56%の時間に過ぎなかった。一方、AGENTS.mdファイルに圧縮したドキュメントインデックスを埋め込む方法は成功率100%を記録した。スキルシステムの上限は79%。能動的なスキル取得より、受動的な常駐コンテキストの方が勝った、という結果だ。

これは「スキルの概念は正しいが、実装はまだ粗い」という読み方もできるし、「ワークスペース側の設計がより根本的に重要」という読み方もできる。どちらにしても、「スキルさえ作れば解決」という単純な処方箋には慎重になった方がいい。

実務的な示唆と今後の論点

では、開発者やプロダクト担当者は何を考えるべきか。

評価指標を変えないと本当の進歩が見えない。 「AIが返した答えは正確か」ではなく「AIがタスクを終わらせたか」を問う評価設計に切り替える必要がある。これは技術的な話でもあるが、組織の中でAI活用を判断するマネジャーにとっても直接関係する。「何%の精度か」より「何%のタスクをクローズできたか」の方が、実務上の価値に近い。

永続ワークスペースはリスクの形を変える。 エージェントが認証情報・ローカルファイル・身元トークン・通信チャネルを保持するようになると、攻撃面は大きく広がる。OpenClaw PRISMやClawGuardといったプロジェクトがパーミッション管理・来歴追跡・監査ログをランタイム上の保護として構築しようとしているのはそのためだ。また、ワークスペースエージェントが機微なリポジトリ・社内文書・中間成果物を観測するという問題も残る。それらが後でメモリ・スキル・学習データになり得る以上、データ主権の設計は後回しにできない。

自律性が上がるほど、ミスの寿命が伸びる。 これは論文の著者たちも認めている点だ。ロールバック・ガバナンス・永続メモリは未解決の課題として残っている。スキルが古くなったり、ワークスペースに壊れた成果物が積み上がったりする問題もある。再利用できる仕組みを作るだけでは足りなく、スキルのライフサイクル管理・ワークスペースの衛生管理・権限制御・サンドボックス化・トラジェクトリベースの評価がセットで必要になる。「ガバナンスなき再利用は、新たな失敗モードを生むだけだ」というのが論文の警告だ。

「AIに何%任せられるか」は問いとして弱い。 より鋭い問いは「AIがこのタスクを最後まで完了できるか」だ。部分的な自動化は今もできる。だが、それは「AIが仕事をした」のではなく「AIが作業の一部を代替した」に過ぎない。本当の共同作業者性を問うなら、タスクのクローズに関与できるかどうかを基準に置く方が実態に近い。